論文の概要: Upstream flow geometries can be uniquely learnt from single-point turbulence signatures

• arxiv url: http://arxiv.org/abs/2412.10630v1
• Date: Sat, 14 Dec 2024 00:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:47.350866
• Title: Upstream flow geometries can be uniquely learnt from single-point turbulence signatures
• Title（参考訳）: 上流流れのジオメトリは単一点乱流シグネチャから一意に学習できる
• Authors: Mukesh Karunanethy, Raghunathan Rengaswamy, Mahesh V Panchagnula,
• Abstract要約: 時系列データから導出した不変量のベクトルに基づいてランダムな森林多クラス分類器モデルを訓練する。 興味深いことに、アルゴリズムはオリフィス形状を100%精度と100%精度で識別することができた。
• 参考スコア（独自算出の注目度）: 0.21847754147782888
• License:
• Abstract: We test the hypothesis that the microscopic temporal structure of near-field turbulence downstream of a sudden contraction contains geometry-identifiable information pertaining to the shape of the upstream obstruction. We measure a set of spatially sparse velocity time-series data downstream of differently-shaped orifices. We then train random forest multiclass classifier models on a vector of invariants derived from this time-series. We test the above hypothesis with 25 somewhat similar orifice shapes to push the model to its extreme limits. Remarkably, the algorithm was able to identify the orifice shape with 100% accuracy and 100% precision. This outcome is enabled by the uniqueness in the downstream temporal evolution of turbulence structures in the flow past orifices, combined with the random forests' ability to learn subtle yet discerning features in the turbulence microstructure. We are also able to explain the underlying flow physics that enables such classification by listing the invariant measures in the order of increasing information entropy. We show that the temporal autocorrelation coefficients of the time-series are most sensitive to orifice shape and are therefore informative. The ability to identify changes in system geometry without the need for physical disassembly offers tremendous potential for flow control and system identification. Furthermore, the proposed approach could potentially have significant applications in other unrelated fields as well, by deploying the core methodology of training random forest classifiers on vectors of invariant measures obtained from time-series data.
• Abstract（参考訳）: 突発的収縮の下流における近接場乱流の微視的時間構造は,上流障害物の形状に関連する幾何識別可能な情報を含むという仮説を検証した。 異なる形状のオリフィスを下流の空間的にスパースな速度時系列データを計測する。 次に、この時系列から派生した不変量のベクトル上で、ランダムフォレスト多重クラス分類器モデルを訓練する。 上記の仮説を25個の類似したオリフィス形状で検証し、モデルを極限まで押し上げる。 興味深いことに、アルゴリズムはオリフィス形状を100%精度と100%精度で識別することができた。 この結果は,河口後流における乱流構造の経時的変化の特異性と,乱流の微妙な特徴を学習する無作為林の能力とが相まって実現された。 また、情報エントロピーの増加順に不変測度を列挙することで、そのような分類を可能にするフロー物理の基礎を説明できる。 時系列の時間的自己相関係数はオリフィス形状に最も敏感であり,情報的であることを示す。 物理的分解を必要とせずにシステム形状の変化を識別する能力は、フロー制御とシステム同定に大きな可能性を秘めている。 さらに、提案手法は、時系列データから得られる不変測度ベクトルにランダム森林分類器を訓練するコア方法論を展開することによって、他の非関連分野にも重要な応用をもたらす可能性がある。

関連論文リスト

• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
  時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。 実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
  論文  参考訳（メタデータ） (2024-07-10T00:54:42Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Topological Obstructions and How to Avoid Them [22.45861345237023]
  局所最適性は特異点や不正確な次数や巻数によって生じる可能性があることを示す。 本稿では,データポイントを幾何学空間上のマルチモーダル分布にマッピングするフローベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-12T18:56:14Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Online Structural Change-point Detection of High-dimensional Streaming Data via Dynamic Sparse Subspace Learning [9.050841801109332]
  本研究では,高次元ストリーミングデータのオンライン構造変化点検出のための動的スパース部分空間学習手法を提案する。 新たな構造変化点モデルを提案し, 推定器の特性について検討した。 オンライン最適化と変更点検出のために,効率的なPruned Exact Linear Timeベースのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-24T14:16:18Z)
• Optimal Change-Point Detection with Training Sequences in the Large and Moderate Deviations Regimes [72.68201611113673]
  本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。 基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
  論文  参考訳（メタデータ） (2020-03-13T23:39:40Z)
• The entanglement membrane in chaotic many-body systems [0.0]
  ある種の解析的抽出可能な量子カオスシステムでは、時間外相関関数の計算、クエンチ後の絡み合いエントロピー、その他の関連する動的可観測物は、時空における絡み合い膜の効果的な理論に還元される。 ここでは、ランダムなユニタリ平均を含まない、より現実的なモデルでこの膜を理解する方法を示す。
  論文  参考訳（メタデータ） (2019-12-27T19:01:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。